文献类型：期刊文章

作　　者：纪霞[1,2] 姚晟[1,2] 赵鹏[1,2]

JI Xia;YAO Sheng;ZHAO Peng(School of Computer Science and Technology,Anhui University,Hefei 230601;Key Laboratory of Intelligent Computing and Signal Processing of the Ministry of Education,Anhui University,Hefei 230601)

机构地区：[1]安徽大学计算机科学与技术学院,合肥230601 [2]安徽大学计算智能与信号处理教育部重点实验室,合肥230601

出　　处：《自动化学报》

基　　金：国家自然科学基金(61602004,61672034);安徽省重点研究与开发计划(1804d8020309);安徽省自然科学基金(1708085MF160,1908085MF188);安徽省高等学校自然科学研究重点项目(KJ2016A 041,KJ2017A011);安徽大学信息保障技术协同创新中心公开招标课题(ADXXBZ201605)资助。

年　　份：2020

卷　　号：46

期　　号：3

起止页码：562-575

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对Science发表的密度峰值聚类(Density peaks clustering,DPC)算法及其改进算法效率不高的缺陷,提出一种相对邻域和剪枝策略优化的密度峰值聚类(Relative neighborhood and pruning strategy optimized DPC,RP-DPC)算法.DPC聚类算法主要有两个阶段:聚类中心点的确定和非聚类中心点样本的类簇分配,并且时间复杂度集中在第1个阶段,因此RP-DPC算法针对该阶段做出改进研究.RP-DPC算法去掉了DPC算法预先计算距离矩阵的步骤,首先利用相对距离将样本映射到相对邻域中,再从相对邻域来计算各样本的密度,从而缩小各样本距离计算及密度统计的范围;然后在计算各样本的δ值时加入剪枝策略,将大量被剪枝样本δ值的计算范围从样本集缩小至邻域以内,极大地提高了算法的效率.理论分析和在人工数据集及UCI数据集的对比实验均表明,与DPC算法及其改进算法相比,RP-DPC算法在保证聚类质量的同时可以实现有效的时间性能提升.

关 键 词：聚类算法 密度峰值  相对邻域  剪枝策略

分 类 号：TP311.13]